CN115829827A - 人脸图像处理方法、装置、设备及介质 - Google Patents

人脸图像处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN115829827A
CN115829827A CN202111088139.2A CN202111088139A CN115829827A CN 115829827 A CN115829827 A CN 115829827A CN 202111088139 A CN202111088139 A CN 202111088139A CN 115829827 A CN115829827 A CN 115829827A
Authority
CN
China
Prior art keywords
feature
makeup
characteristic
mean
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111088139.2A
Other languages
English (en)
Inventor
孙敬娜
陈培滨
吕月明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202111088139.2A priority Critical patent/CN115829827A/zh
Priority to PCT/CN2022/118356 priority patent/WO2023040813A1/zh
Publication of CN115829827A publication Critical patent/CN115829827A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开实施例涉及一种人脸图像处理方法、装置、设备及介质，其中该方法包括：获取当前层的第一特征图和第二特征图，根据第一特征图生成与多个人脸部位对应的多个原始妆容特征区域；根据第二特征图生成与多个人脸部位对应的多个参考妆容特征区域；对每个原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域；拼接多个候选妆容特征区域以生成目标特征图，并判断目标特征图是否满足预设的解码条件；若满足预设的解码条件，则对目标特征图解码处理以获取目标人脸图像。由此，实现了图像之间妆容的精细化迁移，且基于每个人脸部位进行对应的妆容迁移，提高了妆容迁移的鲁棒性。

Description

人脸图像处理方法、装置、设备及介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种人脸图像处理方法、装置、设备及介质。
背景技术
随着图像处理技术的普及，人脸图像的化妆迁移较为常见，比如，将不同化妆风格的人脸图像之间的妆容进行迁移，或者，将化妆的人脸图像的妆容迁移到素颜人脸图像上等。
相关技术中，基于简单的图像分割技术，分割出妆容人脸图像中的妆容图像区域，比如，分割妆容人脸图像中的眼影图像区域、腮红图像区域等，进一步的，将分割出的妆容图像区域基于网格对齐的方式对齐到待迁移妆容的原始人脸图像中，从而实现在原始人脸图像中对妆容的迁移。
然而，上述提到的妆容迁移方式中，分割出的妆容图像区域受到妆容人脸图像中人脸姿态以及脸型等的限制，导致融合到原始人脸图像中后，原始人脸图像中妆容信息的融合效果不够自然。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种人脸图像处理方法、装置、设备及介质，实现了图像之间妆容的精细化迁移，且基于每个人脸部位进行对应的妆容迁移，提高了妆容迁移的鲁棒性。
本公开实施例提供了一种人脸图像处理方法，所述方法包括：获取当前层的第一特征图和第二特征图，根据所述第一特征图生成与多个人脸部位对应的多个原始妆容特征区域；根据所述第二特征图生成与所述多个人脸部位对应的多个参考妆容特征区域；对每个所述原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域；拼接所述多个候选妆容特征区域以生成目标特征图，并判断所述目标特征图是否满足预设的解码条件；若满足所述预设的解码条件，则对所述目标特征图解码处理以获取目标人脸图像。
本公开实施例还提供了一种人脸图像处理装置，所述装置包括：第一生成模块，用于获取当前层的第一特征图和第二特征图，根据所述第一特征图生成与多个人脸部位对应的多个原始妆容特征区域；第二生成模块，用于根据所述第二特征图生成与所述多个人脸部位对应的多个参考妆容特征区域；获取模块，用于对每个所述原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域；拼接模块，用于拼接所述多个候选妆容特征区域以生成目标特征图；判断模块，用于判断所述目标特征图是否满足预设的解码条件；解码模块，用于在满足所述预设的解码条件时，对所述目标特征图解码处理以获取目标人脸图像。
本公开实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开实施例提供的人脸图像处理方法。
本公开实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开实施例提供的人脸图像处理方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开实施例提供的人脸图像处理方案，获取当前层的第一特征图和第二特征图，根据第一特征图生成与多个人脸部位对应的多个原始妆容特征区域，获取当前层的第一特征图和第二特征图，根据第一特征图生成与多个人脸部位对应的多个原始妆容特征区域，进而，对每个原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域，拼接多个候选妆容特征区域以生成目标特征图，并判断目标特征图是否满足预设的解码条件，在满足预设的解码条件时，对目标特征图解码处理以获取目标人脸图像。由此，实现了图像之间妆容的精细化迁移，且基于每个人脸部位进行对应的妆容迁移，提高了妆容迁移的鲁棒性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种人脸图像处理方法的流程示意图；
图2为本公开实施例提供的一种人脸图像处理逻辑示意图；
图3为本公开实施例提供的另一种人脸图像处理方法的流程示意图；
图4为本公开实施例提供的一种人脸图像处理场景示意图；
图5为本公开实施例提供的另一种人脸图像处理方法的流程示意图；
图6为本公开实施例提供的另一种人脸图像处理场景示意图；
图7为本公开实施例提供的另一种人脸图像处理方法的流程示意图；
图8为本公开实施例提供的一种初始均值特征图生成场景示意图；
图9为本公开实施例提供的一种初始方差特征图生成场景示意图；
图10为本公开实施例所提供的一种第一均值特征矩阵生成场景示意图；
图11为本公开实施例提供的一种人脸图像处理装置的结构示意图；
图12为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
为了解决上述问题，本公开提出了一种基于卷积网络的妆容信息的迁移网络，在该妆容信息的迁移网络中，可以从多个层次层层递进学习妆容信息，对不同层次的妆容信息与原始人脸图像进行自适应性的融合，且基于卷积网络实现基于图像特征维度的妆容信息的迁移，提升了妆容迁移的自然感。
下面结合具体的实施例对本实施例中的人脸图像的处理方法进行介绍。
图1为本公开实施例提供的一种人脸图像处理方法的流程示意图，该方法可以由人脸图像处理装置执行，其中该装置可以采用软件和/或硬件实现，一般可集成在电子设备中。如图1所示，该方法包括：
步骤101，获取当前层的第一特征图和第二特征图，根据第一特征图生成与多个人脸部位对应的多个原始妆容特征区域。
需要说明的是，本实施例中，逐层进行两张图像之间的妆容信息的迁移，其中，每一层之间的妆容迁移可以层层递进。
从而，如图2所示，层与层之间的妆容迁移计算以看作多层金字塔的计算，多层妆容迁移结果以金字塔的形式传递，从而，兼顾了两张图像之间的多个粒度进行妆容信息的融合，可以大大提高妆容信息的融合自然感，即使两张图像之间的人脸图像具有较大的姿态上的差异，也能够通过层层递进的融合计算进行补偿，从而，提高了妆容迁移的鲁棒性。
下面对每层的妆容迁移计算进行说明。
在本实施例中，响应于妆容迁移请求，获取与妆容迁移请求对应的原始图像和参考图像，生成对原始图像和参考图像执行多层妆容迁移计算的指令，以便于根据该指令进行多层妆容迁移的计算，在当前层的妆容迁移计算时，获取当前层的第一特征图和第二特征图，其中，第一特征图可以理解待被融合妆容信息的原始图像，比如，可以为素颜图像等，若当前层为初始层，则第一特征图可以为根据原始图像进行有关网络的卷积层的卷积计算提取得到的等。若是当前层不是初始层，则对应的第一特征图与上层的妆容迁移的计算结果有关，这一点将会在后续实施例进行说明，在此不再赘述。
另外，第二特征图可以理解为待提取妆容信息的参考图像，比如是浓妆图像等，若当前层为初始层，则第二特征图可以为根据参考图像进行卷积层的卷积计算提取得到的等。若是当前层不是初始层，则对应的第二特征图与上层的卷积计算得到的第二特征图有关，这一点将会在后续实施例进行说明，在此不再赘述。
在本实施例中，为了补偿第一特征图对应的原始图像和第二特征图对应的参考图像之间的姿态差异，可以基于人脸部位分别进行妆容迁移计算，其中，人脸部位可以包括左眼部位、右眼部位、嘴巴部位、鼻子部位、脸颊部位等。
因此，在本实施例中，根据第一特征图生成与多个人脸部位对应的多个原始妆容特征区域，其中，每个原始妆容特征区域和一个人脸部位对应，比如，原始妆容特征区域包括眼睛部位的妆容特征区域等，本实施例中的原始妆容特征区域对应于有关人脸部位的妆容特征，比如，当妆容对应于腮红时，则对应的妆容特征包括颜色特征、形状特征、区域特征等。
在实际执行过程中，目的是第二特征图中的妆容信息迁移到第一特征图对应的原始图像中，因此，为了避免参考图像影响原始图像中人脸的形状，保证仅仅妆容信息被迁移到原始图像，比如，仅仅将参考图像中嘴唇的颜色迁移到原始图像的嘴唇上，而不改变原始图像中嘴唇的形状，该第一特征图中对应的原始妆容特征区域还可以包括对应人脸部位的形状特征等。
步骤102，根据第二特征图生成与多个人脸部位对应的多个参考妆容特征区域。
在本实施例中，为了提高妆容迁移的自然感，根据第二特征图生成与多个人脸部位对应的多个参考妆容特征区域，其中，每个参考妆容特征区域和一个人脸部位对应。比如，参考妆容特征区域包括眼睛部位的妆容特征区域等，本实施例中的参考妆容特征区域对应于有关人脸部位的妆容特征，比如，当妆容对应于腮红时，则对应的妆容特征包括颜色特征、形状特征、区域特征等。
步骤103，对每个原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域。
在本实施例中，对每个原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以生成多个候选妆容特征区域，其中，每个候选妆容特征区域可以理解为：迁移了参考图像中对应人脸部位的妆容信息后原始人脸中对应人脸部位的图像特征。
步骤104，拼接多个候选妆容特征区域以生成目标特征图，并判断目标特征图是否满足预设的解码条件。
正如以上提到的，每个候选妆容特征区域仅仅对应于一个人脸部位，因此，为了获取迁移妆容后的完整的人脸特征图，还需要拼接多个候选妆容特征区域以生成目标特征图，其中，拼接特征图的方法可以参照现有技术实现，在此不作赘述。
由于每层计算的原始妆容特征区域和参考妆容特征区域的卷积核的数量等的不同，导致每个当前层下计算得到的参考妆容特征区域的妆容迁移的精细化程度不同，越是靠前的层，即越是最低层的妆容迁移，对应的精细化程度越粗糙。因此，在本实施例中，为了逐步提高妆容迁移的精细化程度，需要判断目标特征图是否满足预设的解码条件，以确定当前层的妆容迁移的精细化程度是否达到要求。
需要说明的是，在不同的应用场景中，判断目标特征图是否满足预设的解码条件的方式不同，示例说明如下：
在本公开的一个实施例中，预先根据实验数据标定计算的总层数，比如，预先标定计算3个层等，从1开始对每层的次序进行确定，判断当前层是否为预设次序的层，例如，预先标定次序为的第3层等。在本实施例中，若是为预设次序的层，则确定目标特征图满足预设的解码条件。
在本公开的另一个实施例中，提取每层下的目标特征图对应的第一妆容特征，提取第二特征图对应的第二妆容特征，预设损失函数计算第一妆容特征和第二妆容特征之间的损失值，当损失值小于预设损失阈值时，证明当前层对妆容迁移的效果较好，基本将第二特征图对应的参考图像中的在妆容信息迁移到了第一特征图对应的原始图像中，从而，确定当前层下的目标特征图满足预设的解码条件。
步骤105，若满足预设的解码条件，则对目标特征图解码处理以获取目标人脸图像。
在本实施例中，若满足预设的解码条件，则表明此时妆容迁移的效果较为理想，因此，基于目标特征图获取对应的人脸图像，其中，由于目标特征图是特征维度的信息，因此，需要对目标特征图解码处理以获取目标人脸图像，在实施例中，可以根据有关处理网络的解码层进行解码处理等。
在本公开的一个实施例中，如图3所示，在上述步骤104之后，该方法还包括：
步骤301，若不满足预设的解码条件，则根据目标特征图更新当前层的第一特征图，以作为下一层待处理的第一特征图。
在本实施例中，若是不满足预设的解码条件，则表明当前层的妆容迁移的效果不理想，仅此需要启动下一层的妆容迁移计算。
在本实施例中，为了提高下一层的妆容迁移计算的精细度和效率，将当前层的妆容迁移计算结果作为下一层的妆容迁移计算的输入，即根据目标特征图更新当前层的第一特征图，以作为下一层待处理的第一特征图，进而，可以对该待处理的第一特征图进行网络中更精细一层的卷积层进行卷积计算，得到下一层的多个原始妆容特征区域。
步骤302，拼接当前层的多个参考妆容特征区域，并根据拼接后的妆容特征图更新第二特征图，以作为下一层待处理的第二特征图。
同样的，在本实施例中，还可以传递当前层的第二特征图的卷积计算结果，拼接当前层的多个参考妆容特征区域，并根据拼接后的妆容特征图更新第二特征图，以作为下一层待处理的第二特征图。
进而，可以对该待处理的第二特征图进行卷积网络中更精细一层的卷积层进行卷积计算，得到下一层的多个参考妆容特征区域。
总体而言，如图4所示，本实施例中分成两个分支，其中一个分支可以为生成对抗网络，该分支的输入为第一特征图对应的原始图像(图中为素颜人脸图像)，输出为妆容迁移后的人脸图像，另一个分支为妆容提取网络，输入为第二特征图对应的参考图像(图中为带妆容的化妆人脸图像)，其中，两个分支在每层计算对应的妆容特征区域的网络结构是相同的，比如，对于第一层的妆容迁移计算而言，第一特征图和第二特征图的提取网络层结构相同。
在本实施例中，当预设的层次序为3时，首先根据原始图像和参考图像计算第一个层下妆容迁移计算的目标特征图，基于该目标特征图作为第二个层输入的第一特征图，基于另一个分支得到的参考妆容特征区域生成的第二特征图，作为第二个层输入的第二特征图，基于第一特征图和第二特征图进一步进行第二个层的整容迁移计算，基于第二个层计算得到的目标特征图作为第三个层输入的第一特征图，基于另一个分支得到的参考妆容特征区域生成的第二特征图，作为第三个层输入的第二特征图，基于第一特征图和第二特征图进一步进行第三个层的整容迁移计算，将计算得到的目标特征图通过第一个分支的解码层进行解码，以获取对应的目标人脸图像，目标人脸图像为被转移了参考图像中的妆容信息的原始人脸图像。
从而，在多个层的妆容计算时，可以对不同粒度的妆容进行迁移，即使对于浓妆和人脸姿态不一致的妆容信息也可以实现效果较好的迁移。
综上，本公开实施例的人脸图像处理方法，获取当前层的第一特征图和第二特征图，根据第一特征图生成与多个人脸部位对应的多个原始妆容特征区域，获取当前层的第一特征图和第二特征图，根据第一特征图生成与多个人脸部位对应的多个原始妆容特征区域，进而，对每个原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域，拼接多个候选妆容特征区域以生成目标特征图，并判断目标特征图是否满足预设的解码条件，在满足预设的解码条件时，对目标特征图解码处理以获取目标人脸图像。由此，实现了图像之间妆容的精细化迁移，且基于每个人脸部位进行对应的妆容迁移，提高了妆容迁移的鲁棒性。
基于上述实施例，在进行每层下的妆容迁移计算时，基于多个不同精细程度的通道提取多通道的图像特征，进行妆容信息的提取等，以增强妆容信息的迁移程度，特别是对浓妆图像具有较好的迁移效果。
下面对本公开实施例的对每个原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算过程进行解释说明。
在本公开的一个实施例中，如图5所示，对每个原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域，包括：
步骤501，根据第一预设算法对每个参考妆容特征区域计算，以获取第一方差特征矩阵和第一均值特征矩阵。
在本实施例中，基于方差和均值两个维度提取每个参考妆容特征区域的特征性能。即根据第一预设算法对每个参考妆容特征区域计算，以获取第一方差特征矩阵和第一均值特征矩阵。
步骤502，根据第一预设算法对每个原始妆容特征区域计算，以获取第二方差特征矩阵和第二均值特征矩阵。
同样的，在本实施例中，基于方差和均值维度提取每个原始妆容特征区域的特征性能。即根据第一预设算法对每个原始妆容特征区域计算，以获取第二方差特征矩阵和第二均值特征矩阵。
步骤503，根据第二预设算法对第二方差特征矩阵、第二均值特征矩阵和每个原始妆容特征区域计算，以获取归一化的原始妆容特征区域。
在本实施例中，根据第二预设算法对第二方差特征矩阵、第二均值特征矩阵和每个原始妆容特征区域计算，以获取归一化的原始妆容特征区域，即在本实施例中，首先对原始妆容特征区进行归一化的处理，去除原始妆容特征区域中影响妆容迁移效果的特征，比如，原始妆容特征区域中的噪点特征，或者是原始妆容特征等。
在本公开的实施例中，可以根据第二方差特征矩阵和每个原始妆容特征区域，获取第二参考值，进而，基于第二参考值和第二均值特征矩阵，获取归一化的原始妆容特征区域。
比如，在一些可能的实施例中，为了避免第二均值特征将一些人脸上特有的妆容特点去除，比如将人脸上的痣去除影响人脸辨识度等，可以计算第二方差特征矩阵与预设系数的乘积值作为第二参考值，预设系数小于1以用来弱化对原始图像中人脸特点的去除程度，进而，计算每个原始妆容特征区域和第二方差特征矩阵的乘积值特征差值，计算差值妆容特征区域和第二均值特征矩阵的特征比值，以获取归一化的原始妆容特征区域。
在一些可能的实施例中，计算每个原始妆容特征区域和第二方差特征矩阵的特征差值，以获取差值妆容特征区域作为第二参考值，计算差值妆容特征区域和第二均值特征矩阵的特征比值，以获取归一化的原始妆容特征区域。
在本实施例中，归一化的原始妆容特征区域的计算过程可以如下面公式(1)所示，其中，在公式(1)中，
Figure BDA0003266536960000111
为归一化的原始妆容特征区域，
Figure BDA0003266536960000112
为原始妆容特征区域，
Figure BDA0003266536960000113
为第二方差特征矩阵，其
Figure BDA0003266536960000114
为第二均值特征矩阵，i为第i个计算层，R对应于对应的人脸部位，需要说明的是，本实施例中，不同公式中相同的字符表示相同的参数，在不同的公式中，对相同字母的参数不重复定义。
Figure BDA0003266536960000121
步骤504，根据第三预设算法对第一方差特征矩阵、第一均值特征矩阵和对应的归一化的原始妆容特征区域计算，以获取多个候选妆容特征区域。
在本实施例中，根据第三预设算法对第一方差特征矩阵、第一均值特征矩阵和对应的归一化的原始妆容特征区域计算，以获取多个候选妆容特征区域，即在归一化的原始图像的基础上进行妆容迁移，进一步提升了妆容迁移的效果。
在本公开的实施例中，可以根据第一方差特征矩阵和归一化的原始妆容特征区域，获取第三参考值，根据第三参考值和第一均值特征矩阵特征，获取候选妆容特征区域。
比如，在本公开的一个实施例中，为了避免参考图像中的妆容信息为淡妆，导致妆容信息提取不完全，可以计算第一方差特征矩阵和归一化的原始妆容特征区域的特征乘积，以获取乘积妆容特征区域作为第三参考值，计算第一均值特征矩阵特征和预设系数的参考乘积值，这里预设系数大于1，也用来增强对应的参考妆容特征区域中的妆容信息，计算特征乘积和上述参考乘积值之和，以获取对应人脸部位的候选妆容特征区域。
比如，在本公开的一个实施例中，可以计算第一方差特征矩阵和归一化的原始妆容特征区域的特征乘积，以获取乘积妆容特征区域作为点啊参考值，进而，计算妆容特征区域和第一均值特征矩阵特征之和，以获取候选妆容特征区域。
在本实施例中，候选妆容特征区域的计算逻辑可以如下面的公式(2)所示，其中，在公式(2)中，
Figure BDA0003266536960000122
为第一方差特征矩阵，
Figure BDA0003266536960000123
为第一均值特征矩阵，
Figure BDA0003266536960000124
为对应人脸部位的候选妆容特征区域。
Figure BDA0003266536960000125
为了使得本领域的技术人员更加了解上述迁移计算的算法，下面结合具体的实施例对整个迁移算法的逻辑进行说明，如图6所示，在解释说明妆容迁移计算时，以人脸部位为左眼部位为例。
参照图6，首先，根据第一特征图和第二特征图提取左眼对应的参考妆容特征区域
Figure BDA0003266536960000131
和原始妆容特征区域
Figure BDA0003266536960000132
后，根据第一预设算法对每个参考妆容特征区域计算，以获取第一方差特征矩阵
Figure BDA0003266536960000133
和第一均值特征矩阵
Figure BDA0003266536960000134
并且，根据第一预设算法对每个原始妆容特征区域计算，以获取第二方差特征矩阵
Figure BDA0003266536960000135
和第二均值特征矩阵
Figure BDA0003266536960000136
首先，基于第二方差特征矩阵
Figure BDA0003266536960000137
和第二均值特征矩阵
Figure BDA0003266536960000138
获取归一化的原始妆容特征区域，其次，计算第一方差特征矩阵和归一化的原始妆容特征区域的特征乘积，以获取乘积妆容特征区域，最后，计算妆容特征区域和第一均值特征矩阵特征之和，以获取候选妆容特征区域
Figure BDA0003266536960000139
从而，在本实施例中，实现了基于人脸部位的妆容区域特征，基于方差和均值通道的妆容的迁移，提高而妆容迁移的效果。
在本实施例中，为了保证方差特征矩阵和均值特征矩阵能够反应各个精细化粒度的妆容信息，上述第一预设算法还可以为基于多通道来提取对应的特征矩阵的算法。
其中，由于第一方差特征矩阵和第一均值特征矩阵，和对应的第二方差特征矩阵和第二均值特征矩阵都是基于第一预设算法获取的，因此，在本实施例中，以第一均值特征矩阵和对应的第二方差特征矩阵的计算过程为例进行说明，说明如下：
在本实施例中，如图7所示，根据第一预设算法对每个参考妆容特征区域计算，以获取第一方差特征矩阵和第一均值特征矩阵，包括：
步骤701，根据多个不同的预设窗口尺寸分别对每个参考妆容特征区域进行网格划分，并根据划分后的参考妆容特征区域生成每个预设窗口尺寸的初始方差特征图和初始均值特征图。
在本实施例中，预先设置多个窗口尺寸，多个预设窗口尺寸的尺寸不同，比如，可以为1*1，2*2,3*3……，在本实施例中，为了保证能够获取到每个窗口尺寸下的特征矩阵，预设窗口尺寸的最大尺寸与参考妆容特征区域的尺寸相同。
在本实施例中，可以根据多个不同的预设窗口尺寸对每个参考妆容特征区域进行网格划分，以生成与每个预设窗口尺寸对应的网格特征图，其中，每个网格特征图包含的网格数量与预设窗口尺寸对应，比如，当预设窗口尺寸为1*1，则网格特征图包含的网格数量为1个，当预设窗口尺寸为2*2，则网格特征图包含的网格数量为4个等。
进一步的，根据划分后的参考妆容特征区域生成每个预设窗口尺寸的初始方差特征图和初始均值特征图。
在一些可能的实施例中，在划分后的参考妆容特征区域中的每个网格中随机确定预设个数的样本特征点，其中，预设个数可以根据实验数据标定，进而，计算所有样本特征点的特征值的特征均值，根据所有网格的所有特征均值生成每个预设窗口尺寸的初始均值特征图。
在本实施例中，在划分后的参考妆容特征区域中的每个网格中随机确定预设个数的样本特征点，其中，预设个数可以根据实验数据标定，进而，计算所有样本特征点的特征值的特征方差值，根据所有网格的所有特征方差生成每个预设窗口尺寸的初始方差特征图。
在另一些可能的实施例中，计算网格特征图中每个网格中所有特征值的特征均值，根据所有网格的所有特征均值生成每个预设窗口尺寸的初始均值特征图，从而，将每个参考妆容特征区域拆分为多个特征通道，比如，当预设窗口尺寸包括3个时，则将每个参考妆容特征区域拆分为3个通道计算3个通道下的初始均值特征图，其中，每个通道对应的特征均值数量越多，则意味着将对应的参考妆容特征区域拆分的粒度越细，将能从更多的细节提取对应的参考妆容特征区域中的妆容信息。
举例而言，如图8所示，当预设窗口尺寸包括2*2时，则对参考妆容特征区域进行网格划分为4个网格，计算每个网格中的所有特征值的均值以得到4个均值，根据4个均值a1，a2，a3和a4生成对应的初始均值特征图，当预设窗口尺寸包括1*1时，则对参考妆容特征区域进行网格划分为1个网格，计算每个网格中的所有特征值的均值以得到1个均值，根据1个均值a5生成对应的初始均值特征图。
在本实施例中，计算网格特征图中每个网格中所有特征值的特征方差值，根据所有网格的所有特征方差值生成每个预设窗口尺寸的初始方差特征图，从而，将每个参考妆容特征区域拆分为多个特征通道。
比如，当预设窗口尺寸包括3个时，则将每个参考妆容特征区域拆分为3个通道计算3个通道下的初始方差特征图，其中，每个通道对应的特征均值数量越多，则意味着将对应的参考妆容特征区域拆分的粒度越细，将能从更多的细节提取对应的参考妆容特征区域中的妆容信息。
举例而言，如图9所示，当预设窗口尺寸包括2*2时，则对参考妆容特征区域进行网格划分为4个网格，计算每个网格中的所有特征值的方差以得到4个方差值，根据4个方差值b1，b2，b3和b4生成对应的初始均值方差特征图，当预设窗口尺寸包括1*1时，则对参考妆容特征区域进行网格划分为1个网格，计算每个网格中的所有特征值的方差以得到1个方差值，根据1个方差值b5生成对应的初始均值方差特征图。
步骤702，根据对应的原始妆容特征区域的尺寸分别对所有初始均值特征图和所有初始方差特征图尺寸缩放处理，以获取多个目标均值特征图和多个目标方差特征图。
在本实施例中，为了便于后续特征图之间的计算，根据对应的原始妆容特征区域的尺寸分别对所有初始均值特征图和所有初始方差特征图尺寸缩放处理，以获取多个目标均值特征图和多个目标方差特征图，其中，每个目标均值特征图和目标方差特征图的尺寸，与对应的原始妆容特征区域的尺寸相同，其中，尺寸缩放处理包括紧邻插值处理等。
步骤703，根据对应的原始妆容特征区域分别对多个目标均值特征图和多个目标方差特征图计算，以生成第一均值特征矩阵和第一方差特征矩阵。
在本实施例中，由于目标均值特征矩阵体现了参考妆容区域的特征值在均值上的特点，目标方差特征矩阵体现了参考妆容区域的特征值在方差上的特点，因此，基于对应的原始妆容特征区域对多个目标均值特征图计算以生成第一均值特征矩阵，该第一均值特征矩阵反映了参考妆容区域和原始妆容区域在均值维度的迁移矩阵，基于对应的原始妆容特征区域对多个目标方差特征图计算以生成第一方差特征矩阵，该第一方差特征矩阵反映了参考妆容区域和原始妆容区域在方差维度的迁移矩阵。
需要说明的是，在不同的应用场景中，根据对应的原始妆容特征区域分别对多个目标均值特征图和多个目标方差特征图计算，以生成第一均值特征矩阵和第一方差特征矩阵的方式不同：
在一些可能的实施例中，预先根据大量样本数据训练深度学习模型时，该深度学习模型的输入为原始妆容特征区域和多个目标均值特征图，则输出为第一均值特征矩阵，该深度学习模型的输入为原始妆容特征区域和多个目标方差特征图，则输出为第一方差特征矩阵，从而基于该训练的深度学习模型可以获取对应的第一均值特征矩阵和第一方差特征矩阵。
在另一些可能的实施例中，通过网络自适应的选择每个分支下的目标特征图作用程度，拼接每个参考妆容特征区域和对应的原始妆容特征区域，并对拼接后的妆容特征区域计算，比如根据Gate网络等进行两侧卷积计算，以生成与每个目标均值特征图和每个目标方差特征图对应的多个权重特征，多个权重特征与目标均值特征图和目标方差特征图对应的通道数相同。
其中，在一些可能的实施例中，权重特征的计算方式可以参照下面的公式(3)，其中，在公式(3)中，
Figure BDA0003266536960000171
为权重特征，k为预设窗口尺寸的数量。
Figure BDA0003266536960000172
在本实施例中，根据第四预设算法对所有目标均值特征图和对应的权重特征计算，以获取第一均值特征矩阵，在本实施例中，根据目标均值特征图和对应的权重特征获取多个第一参考值，进而，根据多个第一参考值获取第一均值特征矩阵。
比如，计算每个权重特征和对应的目标均值特征图的乘积值，计算该乘积值与预设值的乘积，对乘积结果取前预设位数的值作为第一参考值，进而，基于多个第一参考值之和或者多个第一参考值之和的均值来作为第一均值特征矩阵。
比如，计算每个目标均值特征图和对应的权重特征的乘积值，计算多个乘积值之和以获取第一均值特征矩阵。多个权重特征的相加和为1。
在本实施例中，第一均值特征矩阵的计算公式可以为下面公式(4)所示，其中，在公式(4)中，
Figure BDA0003266536960000173
为人脸部位R对应的第一均值特征矩阵。
Figure BDA0003266536960000174
进一步的，根据第四预设算法对所有目标方差特征图和对应的权重特征计算，以获取第一方差特征矩阵。
在本实施例中，根据第四预设算法对所有目标方差特征图和对应的权重特征计算，以获取第一方差特征矩阵，其中，第一方差特征矩阵的计算方式参照上述第一均值特征矩阵的计算方式，在此不再赘述。
为了使得本领域的技术人员对第一均值特征矩阵和第一方差特征矩阵的计算方式更加清楚的了解，下面结合具体的场景示例说明，其中，在该场景下，预设窗口尺寸包括k个，计算对应的权重特征的网络为Gate网络，计算的对象为第一均值特征矩阵，另外，本实施例中第一方差特征矩阵的计算方式与第一均值特征矩阵的计算方式类似，在此不再赘述。
参照图10，在本实施例中，首先获取R人脸部位对应的参考妆容特征区域
Figure BDA0003266536960000181
以及对应人脸部位的原始妆容特征区域
Figure BDA0003266536960000182
其中，
Figure BDA0003266536960000183
的尺寸为C*hs*ws。
根据多个不同的预设窗口尺寸对每个参考妆容特征区域进行网格划分，以生成与每个预设窗口尺寸对应的网格特征图，计算网格特征图中每个网格中所有特征值的特征均值，根据所有网格的所有特征均值生成每个预设窗口尺寸的初始均值特征图
Figure BDA0003266536960000184
到
Figure BDA0003266536960000185
进一步的，根据对应的原始妆容特征区域的尺寸分别对所有初始均值特征图和所有初始方差特征图尺寸缩放处理，以获取多个目标均值特征图和多个目标方差特征图
Figure BDA0003266536960000186
到
Figure BDA0003266536960000187
其中，每个目标方差图的尺寸均为C*hs*ws。
在本实施例中，拼接每个参考妆容特征区域和对应的原始妆容特征区域，并对拼接后的妆容特征区域计算以生成与每个目标均值特征图对应的权重特征
Figure BDA0003266536960000188
到
Figure BDA0003266536960000189
进而，计算每个目标均值特征图和对应的权重特征的乘积值，计算多个乘积值之和以获取第一均值特征矩阵
Figure BDA00032665369600001810
当然，在其他可能的实施例中，上述第一预设算法也可以为其他算法，比如，根据每个参考妆容特征区域的区域大小，查询预设的对应关系以确定目标窗口尺寸，将目标窗口尺寸划分为多个网格，基于每个网格中所有特征值的特征均值，根据所有网格的所有特征均值生成每个预设窗口尺寸的初始均值特征图，根据对应的原始妆容特征区域的尺寸对初始均值特征图进行尺寸缩放处理后，获取和原始妆容特征区域的尺寸相同的目标均值特征图。
进一步的，基于目标均值特征图确定对应的第一均值特征矩阵。也可以采用同样的方式计算第一方差特征矩阵等。在本实施例中，直接选择与每个参考妆容特征区域的尺寸匹配的窗口尺寸进行有关均值特征图的计算获取，平衡了计算压力和计算精确度。
综上，本公开实施例的人脸图像处理方法，在进行每层下的妆容迁移计算时，基于不同精细程度的通道提取多通道的图像特征进行妆容信息的提取，以增强妆容信息的迁移程度，提升了妆容迁移的效果。
为了实现上述实施例，本公开实施例还提出了一种人脸图像处理装置。
图11为本公开实施例提供的一种人脸图像处理装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在电子设备中。如图11所示，该装置包括：第一生成模块1110、第二生成模块1120、获取模块1130、拼接模块1140、判断模块1150和解码模块1160，其中，
第一生成模块1110，用于获取当前层的第一特征图和第二特征图，根据所述第一特征图生成与多个人脸部位对应的多个原始妆容特征区域；
第二生成模块1120，用于根据所述第二特征图生成与所述多个人脸部位对应的多个参考妆容特征区域；
获取模块1130，用于对每个所述原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域；
拼接模块1140，用于拼接所述多个候选妆容特征区域以生成目标特征图；
判断模块1150，用于判断所述目标特征图是否满足预设的解码条件；
解码模块1160，用于在满足所述预设的解码条件时，对所述目标特征图解码处理以获取目标人脸图像。
本公开实施例所提供的人脸图像处理装置可执行本公开任意实施例所提供的人脸图像处理方法，具备执行方法相应的功能模块和有益效果。
为了实现上述实施例，本公开还提出一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述实施例中的人脸图像处理方法
图12为本公开实施例提供的一种电子设备的结构示意图。
下面具体参考图12，其示出了适于用来实现本公开实施例中的电子设备1200的结构示意图。本公开实施例中的电子设备1200可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图12示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示，电子设备1200可以包括处理装置(例如中央处理器、图形处理器等)1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储装置1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中，还存储有电子设备1200操作所需的各种程序和数据。处理装置1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
通常，以下装置可以连接至I/O接口1205：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1206；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1207；包括例如磁带、硬盘等的存储装置1208；以及通信装置1209。通信装置1209可以允许电子设备1200与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备1200，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1209从网络上被下载和安装，或者从存储装置1208被安装，或者从ROM 1202被安装。在该计算机程序被处理装置1201执行时，执行本公开实施例的人脸图像处理方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取当前层的第一特征图和第二特征图，根据第一特征图生成与多个人脸部位对应的多个原始妆容特征区域，获取当前层的第一特征图和第二特征图，根据第一特征图生成与多个人脸部位对应的多个原始妆容特征区域，进而，对每个原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域，拼接多个候选妆容特征区域以生成目标特征图，并判断目标特征图是否满足预设的解码条件，在满足预设的解码条件时，对目标特征图解码处理以获取目标人脸图像。由此，实现了图像之间妆容的精细化迁移，且基于每个人脸部位进行对应的妆容迁移，提高了妆容迁移的鲁棒性。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，本公开提供了一种人脸图像处理方法，包括：获取当前层的第一特征图和第二特征图，根据所述第一特征图生成与多个人脸部位对应的多个原始妆容特征区域；
根据所述第二特征图生成与所述多个人脸部位对应的多个参考妆容特征区域；
对每个所述原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域；
拼接所述多个候选妆容特征区域以生成目标特征图，并判断所述目标特征图是否满足预设的解码条件；
若满足所述预设的解码条件，则对所述目标特征图解码处理以获取目标人脸图像。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，在所述获取当前层的第一特征图和第二特征图之前，包括：
响应于妆容迁移请求，获取与所述妆容迁移请求对应的原始图像和参考图像；
生成对所述原始图像和所述参考图像执行多层妆容迁移计算的指令。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，当所述当前层为所述多层妆容迁移计算中的初始层时，所述获取当前层的第一特征图和第二特征图，包括：
提取所述原始图像的图像特征获取所述第一特征图；
提取所述参考图像的图像特征获取所述第二特征图。根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，在所述判断所述目标特征图是否满足预设的解码条件之后，还包括：
若不满足所述预设的解码条件，则根据所述目标特征图更新所述当前层的第一特征图，以作为下一层待处理的第一特征图；
拼接所述当前层的所述多个参考妆容特征区域，并根据拼接后的妆容特征图更新所述第二特征图，以作为下一层待处理的第二特征图。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述对每个所述原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域，包括：
根据第一预设算法对每个所述参考妆容特征区域计算，以获取第一方差特征矩阵和第一均值特征矩阵；
根据所述第一预设算法对每个所述原始妆容特征区域计算，以获取第二方差特征矩阵和第二均值特征矩阵；
根据第二预设算法对所述第二方差特征矩阵、所述第二均值特征矩阵和每个所述原始妆容特征区域计算，以获取归一化的原始妆容特征区域；
根据第三预设算法对所述第一方差特征矩阵、所述第一均值特征矩阵和对应的归一化的原始妆容特征区域计算，以获取所述多个候选妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述根据第一预设算法对每个所述参考妆容特征区域计算，以获取第一方差特征矩阵和第一均值特征矩阵，包括：
根据多个不同的预设窗口尺寸分别对每个所述参考妆容特征区域进行网格划分，并根据划分后的参考妆容特征区域生成每个所述预设窗口尺寸的初始方差特征图和初始均值特征图；
根据对应的原始妆容特征区域的尺寸分别对所有所述初始均值特征图和所有所述初始方差特征图尺寸缩放处理，以获取多个目标均值特征图和多个目标方差特征图；
根据所述对应的原始妆容特征区域分别对所述多个目标均值特征图和所述多个目标方差特征图计算，以生成所述第一均值特征矩阵和所述第一方差特征矩阵。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述根据多个不同的预设窗口尺寸分别对每个所述参考妆容特征区域进行网格划分，并根据划分后的参考妆容特征区域生成每个所述预设窗口尺寸的初始方差特征图和初始均值特征图，包括：
根据多个不同的预设窗口尺寸对每个所述参考妆容特征区域进行网格划分，以生成与每个所述预设窗口尺寸对应的网格特征图；
计算所述网格特征图中每个网格中所有特征值的特征均值，根据所有网格的所有所述特征均值生成每个所述预设窗口尺寸的初始均值特征图；
计算所述网格特征图中每个网格中所有特征值的特征方差值，根据所有网格的所有所述特征方差值生成每个所述预设窗口尺寸的初始方差特征图。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述根据所述对应的原始妆容特征区域分别对所述多个目标均值特征图和所述多个目标方差特征图计算，以生成所述第一均值特征矩阵和所述第一方差特征矩阵，包括：
拼接所述每个所述参考妆容特征区域和对应的原始妆容特征区域，并对拼接后的妆容特征区域计算以生成与每个所述目标均值特征图和每个所述目标方差特征图对应的多个权重特征；
根据第四预设算法对所有所述目标均值特征图和对应的权重特征计算，以获取所述第一均值特征矩阵；
根据所述第四预设算法对所有所述目标方差特征图和对应的权重特征计算，以获取所述第一方差特征矩阵。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述根据第四预设算法对所有所述目标均值特征图和对应的权重特征的计算，以获取所述第一均值特征矩阵，包括：
根据所述目标均值特征图和对应的权重特征获取多个第一参考值；
根据所述多个第一参考值获取所述第一均值特征矩阵。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述根据所述目标均值特征图和对应的权重特征获取多个第一参考值，包括：
计算每个所述目标均值特征图和对应的权重特征的乘积值；
所述根据所述多个第一参考值获取所述第一均值特征矩阵，包括：
计算多个所述乘积值之和以获取所述第一均值特征矩阵。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述根据第二预设算法对所述第二方差特征矩阵、所述第二均值特征矩阵和每个所述原始妆容特征区域计算，以获取归一化的原始妆容特征区域，包括：根据所述第二方差特征矩阵和每个所述原始妆容特征区域，获取第二参考值；
根据所述第二参考值和所述第二均值特征矩阵，获取所述归一化的原始妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述根据所述第二方差特征矩阵和每个所述原始妆容特征区域，获取第二参考值，包括：
计算每个所述原始妆容特征区域和所述第二方差特征矩阵的特征差值，以获取差值妆容特征区域；
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述根据所述第二方差特征矩阵和每个所述原始妆容特征区域，获取第二参考值，包括：
计算所述差值妆容特征区域和所述第二均值特征矩阵的特征比值，以获取所述归一化的原始妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，
所述根据第三预设算法对所述第一方差特征矩阵、所述第一均值特征矩阵和对应的归一化的原始妆容特征区域计算，以获取所述多个候选妆容特征区域，包括：
根据所述第一方差特征矩阵和所述归一化的原始妆容特征区域，获取第三参考值；
根据所述第三参考值和所述第一均值特征矩阵特征，获取所述候选妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述根据所述第一方差特征矩阵和所述归一化的原始妆容特征区域，获取第三参考值，包括：计算所述第一方差特征矩阵和所述归一化的原始妆容特征区域的特征乘积，以获取乘积妆容特征区域；
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，根据所述第三参考值和所述第一均值特征矩阵特征，获取所述候选妆容特征区域，包括：计算所述妆容特征区域和所述第一均值特征矩阵特征之和，以获取所述候选妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理方法中，所述判断所述目标特征图是否满足预设的解码条件，包括：
判断所述当前层的次序是否为预设次序，其中，
若为所述预设次序，则确定所述目标特征图满足预设的解码条件。
根据本公开的一个或多个实施例，本公开提供了一种人脸图像处理装置，包括：
第一生成模块，用于获取当前层的第一特征图和第二特征图，根据所述第一特征图生成与多个人脸部位对应的多个原始妆容特征区域；
第二生成模块，用于根据所述第二特征图生成与所述多个人脸部位对应的多个参考妆容特征区域；
获取模块，用于对每个所述原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域；
拼接模块，用于拼接所述多个候选妆容特征区域以生成目标特征图；
判断模块，用于判断所述目标特征图是否满足预设的解码条件；
解码模块，用于在满足所述预设的解码条件时，对所述目标特征图解码处理以获取目标人脸图像。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，还包括：
图像获取模块，用于响应于妆容迁移请求，获取与所述妆容迁移请求对应的原始图像和参考图像；
指令生成模块，用于生成对所述原始图像和所述参考图像执行多层妆容迁移计算的指令。根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，还包括：当所述当前层为所述多层妆容迁移计算中的初始层时，所述第一生成模块，具体用于：
提取所述原始图像的图像特征获取所述第一特征图；
提取所述参考图像的图像特征获取所述第二特征图。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，还包括：更新模块，用于：
在不满足所述预设的解码条件时，根据所述目标特征图更新所述当前层的第一特征图，以作为下一层待处理的第一特征图，
拼接所述当前层的所述多个参考妆容特征区域，并根据拼接后的妆容特征图更新所述第二特征图，以作为下一层待处理的第二特征图。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：
根据第一预设算法对每个所述参考妆容特征区域计算，以获取第一方差特征矩阵和第一均值特征矩阵；
根据所述第一预设算法对每个所述原始妆容特征区域计算，以获取第二方差特征矩阵和第二均值特征矩阵；
根据第二预设算法对所述第二方差特征矩阵、所述第二均值特征矩阵和每个所述原始妆容特征区域计算，以获取归一化的原始妆容特征区域；
根据第三预设算法对所述第一方差特征矩阵、所述第一均值特征矩阵和对应的归一化的原始妆容特征区域计算，以获取所述多个候选妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：
根据多个不同的预设窗口尺寸分别对每个所述参考妆容特征区域进行网格划分，并根据划分后的参考妆容特征区域生成每个所述预设窗口尺寸的初始方差特征图和初始均值特征图；
根据对应的原始妆容特征区域的尺寸分别对所有所述初始均值特征图和所有所述初始方差特征图尺寸缩放处理，以获取多个目标均值特征图和多个目标方差特征图；
根据所述对应的原始妆容特征区域分别对所述多个目标均值特征图和所述多个目标方差特征图计算，以生成所述第一均值特征矩阵和所述第一方差特征矩阵。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：
根据多个不同的预设窗口尺寸对每个所述参考妆容特征区域进行网格划分，以生成与每个所述预设窗口尺寸对应的网格特征图；
计算所述网格特征图中每个网格中所有特征值的特征均值，根据所有网格的所有所述特征均值生成每个所述预设窗口尺寸的初始均值特征图；
计算所述网格特征图中每个网格中所有特征值的特征方差值，根据所有网格的所有所述特征方差值生成每个所述预设窗口尺寸的初始方差特征图；
根据对应的原始妆容特征区域的尺寸分别对所有所述初始均值特征图和所有所述初始方差特征图尺寸缩放处理，以获取多个目标均值特征图和多个目标方差特征图。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：拼接所述每个所述参考妆容特征区域和对应的原始妆容特征区域，并对拼接后的妆容特征区域计算以生成与每个所述目标均值特征图和每个所述目标方差特征图对应的多个权重特征；
根据第四预设算法对所有所述目标均值特征图和对应的权重特征计算，以获取所述第一均值特征矩阵；
根据所述第四预设算法对所有所述目标方差特征图和对应的权重特征计算，以获取所述第一方差特征矩阵。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：根据所述目标均值特征图和对应的权重特征获取多个第一参考值；
根据所述多个第一参考值获取所述第一均值特征矩阵。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：计算每个所述目标均值特征图和对应的权重特征的乘积值；计算多个所述乘积值之和以获取所述第一均值特征矩阵。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：
根据所述第二方差特征矩阵和每个所述原始妆容特征区域，获取第二参考值；
根据所述第二参考值和所述第二均值特征矩阵，获取所述归一化的原始妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：
计算每个所述原始妆容特征区域和所述第二方差特征矩阵的特征差值，以获取差值妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：
计算所述差值妆容特征区域和所述第二均值特征矩阵的特征比值，以获取所述归一化的原始妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：
根据所述第一方差特征矩阵和所述归一化的原始妆容特征区域，获取第三参考值；
根据所述第三参考值和所述第一均值特征矩阵特征，获取所述候选妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：
计算所述第一方差特征矩阵和所述归一化的原始妆容特征区域的特征乘积，以获取乘积妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述获取模块，具体用于：
计算所述妆容特征区域和所述第一均值特征矩阵特征之和，以获取所述候选妆容特征区域。
根据本公开的一个或多个实施例，本公开提供的人脸图像处理装置中，所述判断模块，具体用于：
判断所述当前层的次序是否为预设次序，其中，
若为所述预设次序，则确定所述目标特征图满足预设的解码条件。
根据本公开的一个或多个实施例，本公开提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开提供的任一所述的人脸图像处理方法。
根据本公开的一个或多个实施例，本公开提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开提供的任一所述的人脸图像处理方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (20)

1.一种人脸图像处理方法，其特征在于，包括以下步骤：
获取当前层的第一特征图和第二特征图，根据所述第一特征图生成与多个人脸部位对应的多个原始妆容特征区域；
根据所述第二特征图生成与所述多个人脸部位对应的多个参考妆容特征区域；
对每个所述原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域；
拼接所述多个候选妆容特征区域以生成目标特征图，并判断所述目标特征图是否满足预设的解码条件；
若满足所述预设的解码条件，则对所述目标特征图解码处理以获取目标人脸图像。
2.如权利要求1所述的方法，其特征在于，在所述获取当前层的第一特征图和第二特征图之前，包括：
响应于妆容迁移请求，获取与所述妆容迁移请求对应的原始图像和参考图像；
生成对所述原始图像和所述参考图像执行多层妆容迁移计算的指令。
3.如权利要求2所述的方法，其特征在于，当所述当前层为所述多层妆容迁移计算中的初始层时，所述获取当前层的第一特征图和第二特征图，包括：
提取所述原始图像的图像特征获取所述第一特征图；
提取所述参考图像的图像特征获取所述第二特征图。
4.如权利要求1所述的方法，其特征在于，在所述判断所述目标特征图是否满足预设的解码条件之后，还包括：
若不满足所述预设的解码条件，则根据所述目标特征图更新所述当前层的第一特征图，以作为下一层待处理的第一特征图；
拼接所述当前层的所述多个参考妆容特征区域，并根据拼接后的妆容特征图更新所述第二特征图，以作为下一层待处理的第二特征图。
5.如权利要求1所述的方法，其特征在于，所述对每个所述原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域，包括：
根据第一预设算法对每个所述参考妆容特征区域计算，以获取第一方差特征矩阵和第一均值特征矩阵；
根据所述第一预设算法对每个所述原始妆容特征区域计算，以获取第二方差特征矩阵和第二均值特征矩阵；
根据第二预设算法对所述第二方差特征矩阵、所述第二均值特征矩阵和每个所述原始妆容特征区域计算，以获取归一化的原始妆容特征区域；
根据第三预设算法对所述第一方差特征矩阵、所述第一均值特征矩阵和对应的归一化的原始妆容特征区域计算，以获取所述多个候选妆容特征区域。
6.如权利要求5所述的方法，其特征在于，所述根据第一预设算法对每个所述参考妆容特征区域计算，以获取第一方差特征矩阵和第一均值特征矩阵，包括：
根据多个不同的预设窗口尺寸分别对每个所述参考妆容特征区域进行网格划分，并根据划分后的参考妆容特征区域生成每个所述预设窗口尺寸的初始方差特征图和初始均值特征图；
根据对应的原始妆容特征区域的尺寸分别对所有所述初始均值特征图和所有所述初始方差特征图尺寸缩放处理，以获取多个目标均值特征图和多个目标方差特征图；
根据所述对应的原始妆容特征区域分别对所述多个目标均值特征图和所述多个目标方差特征图计算，以生成所述第一均值特征矩阵和所述第一方差特征矩阵。
7.如权利要求6所述的方法，其特征在于，所述根据多个不同的预设窗口尺寸分别对每个所述参考妆容特征区域进行网格划分，并根据划分后的参考妆容特征区域生成每个所述预设窗口尺寸的初始方差特征图和初始均值特征图，包括：
根据多个不同的预设窗口尺寸对每个所述参考妆容特征区域进行网格划分，以生成与每个所述预设窗口尺寸对应的网格特征图；
计算所述网格特征图中每个网格中所有特征值的特征均值，根据所有网格的所有所述特征均值生成每个所述预设窗口尺寸的初始均值特征图；
计算所述网格特征图中每个网格中所有特征值的特征方差值，根据所有网格的所有所述特征方差值生成每个所述预设窗口尺寸的初始方差特征图。
8.如权利要求6或7所述的方法，其特征在于，所述根据所述对应的原始妆容特征区域分别对所述多个目标均值特征图和所述多个目标方差特征图计算，以生成所述第一均值特征矩阵和所述第一方差特征矩阵，包括：
拼接所述每个所述参考妆容特征区域和对应的原始妆容特征区域，并对拼接后的妆容特征区域计算以生成与每个所述目标均值特征图和每个所述目标方差特征图对应的多个权重特征；
根据第四预设算法对所有所述目标均值特征图和对应的权重特征计算，以获取所述第一均值特征矩阵；
根据所述第四预设算法对所有所述目标方差特征图和对应的权重特征计算，以获取所述第一方差特征矩阵。
9.如权利要求8所述的方法，其特征在于，所述根据第四预设算法对所有所述目标均值特征图和对应的权重特征的计算，以获取所述第一均值特征矩阵，包括：根据所述目标均值特征图和对应的权重特征获取多个第一参考值；
根据所述多个第一参考值获取所述第一均值特征矩阵。
10.如权利要求9所述的方法，其特征在于，所述根据所述目标均值特征图和对应的权重特征获取多个第一参考值，包括：
计算每个所述目标均值特征图和对应的权重特征的乘积值；
所述根据所述多个第一参考值获取所述第一均值特征矩阵，包括：
计算多个所述乘积值之和以获取所述第一均值特征矩阵。
11.如权利要求5所述的方法，其特征在于，所述根据第二预设算法对所述第二方差特征矩阵、所述第二均值特征矩阵和每个所述原始妆容特征区域计算，以获取归一化的原始妆容特征区域，包括：
根据所述第二方差特征矩阵和每个所述原始妆容特征区域，获取第二参考值；
根据所述第二参考值和所述第二均值特征矩阵，获取所述归一化的原始妆容特征区域。
12.如权利要求11所述的方法，其特征在于，所述根据所述第二方差特征矩阵和每个所述原始妆容特征区域，获取第二参考值，包括：
计算每个所述原始妆容特征区域和所述第二方差特征矩阵的特征差值，以获取差值妆容特征区域。
13.如权利要求12所述的方法，其特征在于，所述根据所述第二方差特征矩阵和每个所述原始妆容特征区域，获取第二参考值，包括：
计算所述差值妆容特征区域和所述第二均值特征矩阵的特征比值，以获取所述归一化的原始妆容特征区域。
14.如权利要求5所述的方法，其特征在于，所述根据第三预设算法对所述第一方差特征矩阵、所述第一均值特征矩阵和对应的归一化的原始妆容特征区域计算，以获取所述多个候选妆容特征区域，包括：
根据所述第一方差特征矩阵和所述归一化的原始妆容特征区域，获取第三参考值；
根据所述第三参考值和所述第一均值特征矩阵特征，获取所述候选妆容特征区域。
15.如权利要求14所述的方法，其特征在于，所述根据所述第一方差特征矩阵和所述归一化的原始妆容特征区域，获取第三参考值，包括：
计算所述第一方差特征矩阵和所述归一化的原始妆容特征区域的特征乘积，以获取乘积妆容特征区域。
16.如权利要求15所述的方法，其特征在于，所述根据所述第三参考值和所述第一均值特征矩阵特征，获取所述候选妆容特征区域，包括：
计算所述妆容特征区域和所述第一均值特征矩阵特征之和，以获取所述候选妆容特征区域。
17.如权利要求1-9任一所述的方法，其特征在于，所述判断所述目标特征图是否满足预设的解码条件，包括：
判断所述当前层的次序是否为预设次序，其中，
若为所述预设次序，则确定所述目标特征图满足预设的解码条件。
18.一种人脸图像处理装置，其特征在于，包括：
第一生成模块，用于获取当前层的第一特征图和第二特征图，根据所述第一特征图生成与多个人脸部位对应的多个原始妆容特征区域；
第二生成模块，用于根据所述第二特征图生成与所述多个人脸部位对应的多个参考妆容特征区域；
获取模块，用于对每个所述原始妆容特征区域和对应的参考妆容特征区域进行妆容迁移计算，以获取多个候选妆容特征区域；
拼接模块，用于拼接所述多个候选妆容特征区域以生成目标特征图；
判断模块，用于判断所述目标特征图是否满足预设的解码条件；
解码模块，用于在满足所述预设的解码条件时，对所述目标特征图解码处理以获取目标人脸图像。
19.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储中读取所述可执行指令，并执行所述可执行指令以实现如上述权利要求1-17中任一所述的人脸图像处理方法。
20.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-17中任一所述的人脸图像处理方法。
CN202111088139.2A 2021-09-16 2021-09-16 人脸图像处理方法、装置、设备及介质 Pending CN115829827A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111088139.2A CN115829827A (zh) 2021-09-16 2021-09-16 人脸图像处理方法、装置、设备及介质
PCT/CN2022/118356 WO2023040813A1 (zh) 2021-09-16 2022-09-13 人脸图像处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111088139.2A CN115829827A (zh) 2021-09-16 2021-09-16 人脸图像处理方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115829827A true CN115829827A (zh) 2023-03-21

Family

ID=85515122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111088139.2A Pending CN115829827A (zh) 2021-09-16 2021-09-16 人脸图像处理方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN115829827A (zh)
WO (1) WO2023040813A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117912120B (zh) * 2024-03-19 2024-06-07 中国科学技术大学 人脸隐私保护方法、系统、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9799096B1 (en) * 2014-07-08 2017-10-24 Carnegie Mellon University System and method for processing video to provide facial de-identification
JP7200139B2 (ja) * 2017-07-13 2023-01-06 株式会社 資生堂 仮想顔化粧の除去、高速顔検出およびランドマーク追跡
CN111950432B (zh) * 2020-08-07 2024-03-08 武汉理工大学 一种基于区域风格一致性的妆容风格迁移方法及系统
CN113362422B (zh) * 2021-06-08 2022-07-05 武汉理工大学 一种阴影鲁棒的基于解耦表示的妆容迁移系统及方法
CN113298704B (zh) * 2021-07-27 2021-11-09 成都索贝数码科技股份有限公司 一种广播电视新闻下利用图迁移的肤色分割及美化方法

Also Published As

Publication number Publication date
WO2023040813A1 (zh) 2023-03-23

Similar Documents

Publication Publication Date Title
CN111414879A (zh) 人脸遮挡程度识别方法、装置、电子设备及可读存储介质
CN113689372B (zh) 图像处理方法、设备、存储介质及程序产品
WO2021057463A1 (zh) 图像风格化处理方法、装置、电子设备及可读介质
WO2023143229A1 (zh) 图像处理方法、装置、设备及存储介质
CN115965840A (zh) 图像风格迁移和模型训练方法、装置、设备和介质
CN112418249A (zh) 掩膜图像生成方法、装置、电子设备和计算机可读介质
CN114399814B (zh) 一种基于深度学习的遮挡物移除和三维重建方法
CN115311178A (zh) 图像拼接方法、装置、设备及介质
CN113902636A (zh) 图像去模糊方法及装置、计算机可读介质和电子设备
WO2023040813A1 (zh) 人脸图像处理方法、装置、设备及介质
CN110619602B (zh) 一种图像生成方法、装置、电子设备及存储介质
CN111784726A (zh) 人像抠图方法和装置
CN111402154A (zh) 图像美颜方法、装置、电子设备及计算机可读存储介质
CN115953597B (zh) 图像处理方法、装置、设备及介质
CN115937020A (zh) 图像处理方法、装置、设备、介质和程序产品
WO2022178975A1 (zh) 基于噪声场的图像降噪方法、装置、设备及存储介质
CN112070888B (zh) 图像生成方法、装置、设备和计算机可读介质
CN114399590A (zh) 一种基于人脸解析图的人脸遮挡移除和三维模型生成方法
CN114418835A (zh) 图像处理方法、装置、设备及介质
CN110097622B (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
CN113284219A (zh) 图像处理方法、装置、设备及存储介质
CN111369472A (zh) 图像去雾方法、装置、电子设备及介质
CN115937338B (zh) 图像处理方法、装置、设备及介质
CN112215774B (zh) 模型训练和图像去雾方法、装置、设备和计算机可读介质
CN112215789B (zh) 图像去雾方法、装置、设备和计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination